193 artículos
Este estudio demuestra la viabilidad de la inteligencia artificial explicable para la estratificación de riesgos de fragilidad y caídas en adultos mayores, utilizando un nuevo conjunto de datos comunitarios para identificar perfiles funcionales y predictores clave como la fuerza de agarre, a pesar de limitaciones como el desequilibrio de clases y los sesgos de selección.
Este artículo propone un marco de gobernanza estructurado para la selección de umbrales de probabilidad en modelos de IA clínica, demostrando mediante un caso de estudio sobre exacerbaciones de asma que estas decisiones deben basarse en la utilidad clínica, la capacidad operativa y la participación de las partes interesadas en lugar de limitarse a la optimización estadística.
Este estudio presenta un gemelo digital bayesiano gobernado para la enfermedad de Parkinson que, mediante un modelo de espacio de estados latente monotónico y un sistema de puertas de confianza, genera pronósticos actualizados en cada visita clínica con garantías explícitas de fiabilidad y equidad, suprimiendo las predicciones cuando la evidencia es insuficiente para garantizar la confianza clínica.
Este estudio desarrolló un modelo de aprendizaje automático de alta precisión que integra datos socioambientales a nivel de dirección con registros de hospitalización en Cincinnati para identificar riesgos de hospitalización pediátrica con una resolución espacial sin precedentes, permitiendo intervenciones clínicas y políticas más dirigidas.
Este estudio compara cinco métodos para limitar registros al idioma inglés en Ovid MEDLINE y Embase frente a la eliminación durante la selección, concluyendo que, aunque los límites aplicados en la estrategia de búsqueda pueden excluir registros con metadatos de idioma incorrectos, el riesgo de perder documentos elegibles en inglés puede mitigarse mediante búsquedas de citas.
El estudio demuestra que las puntuaciones agregadas de los modelos de lenguaje avanzados ocultan diferencias clínicamente significativas en la seguridad de los pacientes, como sesgos contextuales y tasas variables de subtriage, lo que indica que la precisión general no es suficiente para evaluar ni predecir la seguridad clínica de estos sistemas.
Utilizando datos de la encuesta HINTS 2022, este estudio demuestra que la dificultad para comprender las estadísticas médicas y el uso de redes sociales están significativamente asociados con una mayor percepción de que la información sobre el cáncer es difícil de entender y de baja calidad, lo que subraya la importancia de mejorar la alfabetización estadística para optimizar la comunicación sanitaria.
Este estudio presenta la primera evaluación a gran escala en el mundo real de un sistema de IA autónoma basado en modelos de lenguaje en telemedicina primaria, demostrando que una arquitectura de sistema intencional con mecanismos de seguridad integrados permite diagnósticos y sugerencias de disposición altamente precisas, sentando las bases para una implementación clínica responsable y escalable.
Los autores presentan Indiapub, una aplicación web de código abierto que utiliza datos de OpenAlex para visualizar y analizar la distribución geográfica e institucional de las publicaciones académicas en India, ofreciendo herramientas interactivas que ayudan a identificar desequilibrios regionales y apoyar la planificación de políticas de investigación inclusivas.
Este estudio demuestra que combinar técnicas de selección de características y muestreo de datos, específicamente Chi-cuadrado y SMOTE, con un modelo de aprendizaje profundo mejora significativamente la precisión en la detección de fraudes en Medicare, alcanzando un 95,4% y mitigando el desequilibrio de los datos.
Este estudio de simulación sobre el riesgo de fallo de injerto en trasplantes hepáticos demuestra que la utilidad de los modelos predictivos clínicos depende críticamente de las características de la población objetivo, por lo que su aplicación en nuevos entornos requiere validación externa y, a menudo, reestimación del modelo.
Este estudio examina cómo los pacientes con diabetes utilizan los modelos de lenguaje grandes en la vida real para diversas tareas de gestión, desde la interpretación clínica hasta el apoyo emocional, identificando sus actitudes y las implicaciones para su integración segura en los ecosistemas de autocuidado.
El estudio presenta THESEUS, un marco que utiliza modelos de lenguaje grandes para traducir automáticamente descripciones de estudios observacionales en texto libre a especificaciones estandarizadas y scripts de código ejecutables en R, facilitando así la reproducibilidad y reduciendo las barreras técnicas en la investigación.
Este estudio de cohorte prospectiva canadiense demuestra mediante un modelo conjunto longitudinal-supervivencia que la gravedad basal de los síntomas y la velocidad de mejora del síndrome del intestino irritable están dinámicamente vinculadas a la persistencia del tratamiento, revelando que una mayor severidad inicial y una mejora más lenta predicen significativamente una mayor probabilidad de discontinuación.
El estudio presenta HybridNet-XR, una arquitectura de red neuronal convolutiva híbrida y eficiente en memoria que utiliza aprendizaje auto-supervisado sin necesidad de un modelo maestro para lograr un alto rendimiento diagnóstico en radiografía médica dentro de entornos con recursos computacionales limitados.
Este estudio cualitativo realizado en el Hospital Alexandra de Singapur explora las experiencias de los clínicos con la tecnología de scribe de IA ambiental, revelando beneficios como la mejora en la interacción con el paciente y la reducción de la carga cognitiva, pero también identificando barreras críticas relacionadas con la precisión, el soporte multilingüe y el cumplimiento normativo que deben abordarse para una implementación sostenible.
Este estudio demuestra que los sistemas de IA conversacional pueden experimentar una "deriva estructural" que amplía e intensifica progresivamente las interpretaciones del usuario hacia contenidos psicóticos, y propone un método automatizado para detectar este riesgo de seguridad a nivel sistémico antes de que ocurra una escalada manifiesta.
El sistema de IA agente ClinPreAI demuestra un rendimiento superior al de las soluciones tradicionales y comerciales al predecir autónomamente el riesgo de depresión posparto mediante el análisis multimodal de registros de salud electrónicos, democratizando así el desarrollo de herramientas de predicción clínica accesibles.
Este estudio valida el Índice de Documentación Intensiva (IDI), un nuevo marco que cuantifica los ritmos temporales de la documentación de enfermería, demostrando que su inclusión mejora significativamente la predicción de mortalidad en pacientes con insuficiencia cardíaca en la UCI más allá de las variables clínicas tradicionales.
El estudio presenta OpenScientist, una inteligencia artificial de código abierto que acelera el descubrimiento biomédico al ejecutar de forma semi-autónoma análisis complejos y generar hipótesis clínicamente relevantes en minutos, tareas que normalmente requerirían semanas o meses de trabajo humano.